这篇文章主要讲解了keras中slice layer层是如何实现的，内容清晰明了，对此有兴趣的小伙伴可以学习一下，相信大家阅读完之后会有帮助。

注意的地方： keras中每层的输入输出的tensor是张量， 比如Tensor shape是（N, H, W, C), 对于tf后台， channels_last

Define a slice layer using Lamda layerdef slice(x, h2, h3, w1, w2): """ Define a tensor slice function """ return x[:, h2:h3, w1:w2, :]

定义完slice function之后，利用lambda layer添加到定义的网络中去

# Add slice layerslice_1 = Lambda(slice, arguments={'h2': 0, 'h3': 6, 'w1': 0, 'w2': 6})(sliced)# As for tensorfow backend, Lambda doesn't need output shape argumentslice_2 = Lambda(slice, arguments={'h2': 0, 'h3': 6, 'w1': 6, 'w2': 12})(sliced)

补充知识：tensorflow和keras张量切片（slice）

Notes

想将一个向量 分割成两部分： 操作大概是：

在 TensorFlow 中，用 tf.slice 实现张量切片，Keras 中自定义 Lambda 层实现。

TensorFlow

tf.slice(input_, begin, size, name=None)

input_：tf.tensor，被操作的 tensor

begin：list，各个维度的开始下标

size：list，各个维度上要截多长

import tensorflow as tfwith tf.Session() as sess: a = tf.constant([1, 2, 3, 4, 5]) b = tf.slice(a, [0], [2]) # 第一个维度从 0 开始，截 2 个 c = tf.slice(a, [2], [3]) # 第一个维度从 2 开始，截 3 个 print(a.eval()) print(b.eval()) print(c.eval())

输出

[1 2 3 4 5]
[1 2]
[3 4 5]

Keras

from keras.layers import Lambdafrom keras.models import Sequentialimport numpy as npa = np.array([[1, 2, 3, 4, 5]])model = Sequential([ Lambda(lambda a: a[:, :2], input_shape=[5]) # 第二维截前 2 个])print(model.predict(a))

输出

[[1. 2.]]

看完上述内容，是不是对keras中slice layer层是如何实现的有进一步的了解，如果还想学习更多内容，欢迎关注亿速云行业资讯频道。